Ders Detayı

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Öncelikle çok güzel bir noktaya değindiniz. Homojenlik varsayımı sağlanmadığında paket program bize birden çok seçenek sunuyor. Elimizdeki veri seti için normallik varsayımı sağlanıyor ve homojenlik varsayımı sağlanmıyorsa, Birincisi, F testi yerine Welch ya da Brown-Forsythe testi kullanılabilir. Eğer gruplar arasında anlamlı bir fark bulunuyorsa, varyasnların homojen olmadığı çoklu karşılaştırma yöntemleri (Tamhane's T2, Dunnett's T3, Games-Howell(yapılan simülasyon çalışmalarında en güçlü test), Dunnett's C) kullanılabilir. İkincisi parametrik olmayan Kruskal Wallis testi kullanılabilir. Yapılan simülasyon çalışmalarında parametrik testlerin, parametrik olmayan testlere varsayımların bir kısmı sağlanmadığında da daha güçlü olduğu belirlenmiştir. Bu sebeple varyanslar homojen çıkmadığında serbestlik derecesi düzeltmeli Welch ya da Brown-Forsythe testi sonuçlarını göz önünde bulunrmak daha doğru olabilir. Ancak yinede tercih kullanmak araştırmacının amacına ve veri yapısına bağlıdır. Teşekkürler

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Bu durumda üç tercihimiz olabilir; Bir tanesi Pillai's Trace, Wilks' Lambda, Hotelling's Trace, Roy's Largest Root testlerinden uygun olanı kullanmak. Bir diğeri ise ham veriyi trasformasyona sokmaktır. Transformasyon için Logaritmik dönüşüm, Karekökü, 1/y, Kare,Logit ve Box-Cox veri trasnformasyonu yapmaktır. Sonuncusu ise parametrik olmayan çok değişkenli yöntemleri kullanmaktır. Parametrik olmayan MANOVA (PERMANOVA, Permutational Multivariate Analysis of Variance) olarak adlnadırılmaktadır. İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Bu durumda da benzer şekilde üç tercihimiz olabilir; Bir tanesi Pillai's Trace, Wilks' Lambda, Hotelling's Trace, Roy's Largest Root testlerinden uygun olanı kullanmak. (Farklı durumlarda genelde en iyi sonuç veren Wilk's Lambda oluyor, "Ateş, C., Kaymaz, Ö., Kale, H. E., & Tekindal, M. A. (2019). Comparison of Test Statistics of Nonnormal and Unbalanced Samples for Multivariate Analysis of Variance in terms of Type-I Error Rates. Computational and Mathematical Methods in Medicine, 2019.") Bir diğeri ise ham veriyi trasformasyona sokmaktır. Transformasyon için Logaritmik dönüşüm, Karekökü, 1/y, Kare,Logit ve Box-Cox veri trasnformasyonu yapmaktır. Burada da en verimli sonucu genelde Box-Cox veri transformasyonu sağlamaktadır. Sonuncusu ise parametrik olmayan çok değişkenli yöntemleri kullanmaktır. Parametrik olmayan MANOVA (PERMANOVA, Permutational Multivariate Analysis of Variance) olarak adlandırılmaktadır. (https://rdrr.io/github/leffj/mctoolsr/man/calc_pairwise_permanovas.html) Selamlar İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, SPSS ya da benzeri paket programlar bu seçenek nesne tabanlı kullanıcı dostu bir çözümle karşımıza çıkmıyor, ancak açık erişimli PAST programında NPMANOVA'yı kullanabilirsiniz. http://priede.bf.lu.lv/ftp/pub/TIS/datu_analiize/PAST/2.17c/download.html Bu linkten erişebilirsiniz. İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, SPSS ya da benzeri paket programlar bu seçenek nesne tabanlı kullanıcı dostu bir çözümle karşımıza çıkmıyor, ancak açık erişimli PAST programında NPMANOVA'yı kullanabilirsiniz. http://priede.bf.lu.lv/ftp/pub/TIS/datu_analiize/PAST/2.17c/download.html Bu linkten erişebilirsiniz. İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Burada faktöriyel düzende faktörlerden biri tekrarlanan varyans analizi kullanmamız doğru olur (Mixed Design ANOVA). İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

İlginiz ve yorumunuz için teşekkür ederim.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Syntax yazmadan önce options>estimate of effect size seçeneğini işaretleyebilirseniz etki büyüklüğüde output'da gelecektir.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Temel olarak çok değişkenli normal dağılıma bakmak gerekli, bu sebeple eğer elinizde PAST programı varsa ordan bakabilirsiniz. Tek değişkenli normal dağılım sadece fikir veriyor. Ancak yinede Friedman kullanmak yerinde olacaktır.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar burada bagimli degiskenler kategorik oldugu icin lojistik regresyon kullanmak daha dogru olacaktir. Lojistik regresyon sonucunda adim topla.i hangi denklemde anlamli cikiyorsa genel cerceve icin bir fikir verebilir.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Uyum Analizi ya da Kanonik Korelasyon uygulamanız daha doğru, anket sonucu oluşsan veri tipiniznominal ya da ordinal olduğu için bu şekilde değerlendirmeniz daha uygun olabilir. İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Teşekkür ederim. Deneysel tasarımlar içinde geçerli, deneysel tasarımda varyasyon daha kısıtlı olacağı için önşartların sağlanması daha beklenen bir durumdur. Parametrik testler için, hem normal dağılım hem de homojenlik varsayımlarının sağlanması önerilen ve gereken bir durumdur. Ancak bazı durumlarda homojenlik sağlanmadığında düzeltme testleri kullanılabiliyor. Genelde önerilen düzeltme metotları yerine parametrik olmayan yöntemlerle değerlendirme yapmaktır. Bazı durumlarda önşartlar sağlanmadığında düzetme yöntemleri kullanılabilir. -Örneğin homojenlik için (Welch, Brown-Forsthe) gibi kulanıldığında çoklu karşılaştırmalarda Games-Howell gibi post hoc testler kullanılabilir. İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Bu durumda Bonferroni testi en conservative(tutucu) test olduğu için diğer testlere ve örnek genişliğine bakmak gerekir. Diğer post-hoc testler lsd, sidak gibi bakılabilir.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Aktif olarak sunumları paylaşmıyorum. İyi çalışmalar

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar SPSS'de grafikleri çizdikten sonra chart editor'e girerek manuel olarak siz ekleyebiliyorsunuz. 2x2 dizaynda öncelikle etkileşim etkisine bakılır eğer anlamlı ise çoklu karşılaştırma ile etkileşim etkileri arasındaki anlamlı farklılıklar belirlenir. Sonrasında eğer etkileşim etkisi anlamsız ise ana etkiler(ya sadece grup ya da sadece zaman) değerlendirilir. Ana etkilerden grup farkı zamandan bağımsız olarak sadece gruplar arasında fark olup olmadığını belirtir.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Tek veya çok yönlü regresyon analizi, bir bağımlı değişkenin bir veya daha fazla bağımsız değişkenle ilişkisini incelemek için kullanılır. Ancova (Analysis of Covariance), regresyon analizine benzerdir, ancak bir farkla: Ancova'da, bir veya daha fazla sürekli bağımsız değişkenin yanı sıra bir veya daha fazla kategorik bağımsız değişken de bulunur. Bu kategorik bağımsız değişkenler, deneklerin gruplara ayrılmasına yardımcı olan kontrol değişkenleridir. Ancova'nın kullanılmasındaki temel nedenler şunlar olabilir: Kontrol Değişkenlerin Etkisi: Ancova, bağımsız değişkenler arasındaki ilişkiyi kontrol etmek için kullanılır. Eğer etki incelemesindeki bağımsız değişkenler arasında potansiyel olarak etkileyebilecek başka faktörler varsa, bu faktörleri kontrol etmek için ancova kullanılabilir. Grupların Başlangıçtaki Farklılıkları: Denek grupları arasında başlangıçta var olan farklılıklar varsa ve bu farklılıklar, bağımlı değişken üzerinde etkili olabilir, ancova bu farklılıkları kontrol etmek için kullanılabilir. Dış Değişkenlerin Etkisi: Ancova, dışsal faktörlerin (örneğin, yaş, cinsiyet) etkisini kontrol etmek için kullanılabilir. Bu faktörler, bağımlı değişken üzerinde doğrudan etki edebilecek potansiyele sahiptir. Ancova'nın kullanılmasının temel nedeni, gruplar arasındaki farklılıkları kontrol etme ve böylece bağımsız değişkenlerin gerçek etkisini daha doğru bir şekilde belirleme çabasıdır. Ancova, regresyon analizine ek bir kontrol düzeyi sağlar ve bu nedenle bazı durumlarda tercih edilir. Ancak, analizin amacına ve veri setine bağlı olarak, bu tekniklerden hangisinin kullanılacağına karar vermek önemlidir.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar Deney ve kontrol gruplarını oluştururken yansız bir atama yapmak istiyorsanız, rastgele atama yöntemlerini kullanabilirsiniz. İşte bu konuda bazı öneriler: Rastgele Atama: Öğrencileri rastgele iki gruba ayırmak için bilgisayar tarafından üretilen rastgele sayıları kullanabilirsiniz. Örneğin, 50 öğrenciyi sıralayın ve ardından rastgele seçilen 25 öğrenciyi deney grubuna, geri kalan 25 öğrenciyi kontrol grubuna atayın. Stratifide Rastgele Atama: Öğrencileri belirli kriterlere göre sınıflandırabilir ve her sınıftan rastgele seçim yaparak grupları oluşturabilirsiniz. Örneğin, cinsiyet, yaş veya öğrenim seviyesi gibi faktörlere göre öğrencileri sınıflandırabilir ve her strata ait öğrenciler arasında rastgele seçim yapabilirsiniz. Eşleştirilmiş Örneklemeler: Öğrencileri belirli özelliklere göre eşleştirerek grupları oluşturabilirsiniz. Bu eşleştirme işlemi, grupları daha denk hale getirmenize yardımcı olabilir. Örneğin, öğrencileri benzer akademik geçmişe, önceki başarı durumuna veya belirli bir test skoruna göre eşleştirebilirsiniz. Bloklama: Öğrencileri benzer özelliklere sahip bloklara ayırabilir ve her bloktan rastgele seçim yaparak grupları oluşturabilirsiniz. Bloklama, grupları daha homojen hale getirebilir ve dış faktörlerin etkisini azaltabilir. Kovaryans Analizi: Öğrencilerin belirli bir özellikle ölçülen skorları varsa, bu skorları kullanarak grupları dengelemeyi amaçlayan bir kovaryans analizi yapabilirsiniz. Unutmayın ki, seçtiğiniz yöntem, çalışmanızın amacına ve özelliklerine bağlı olarak değişebilir. Önemli olan, grupları oluştururken mümkün olduğunca dengeli ve rastgele bir atama yapmaya çalışmaktır.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Analizinize dair aldığınız uyarının arkasındaki sorunu çözmek için birkaç adımı gözden geçirebilirsiniz. "Box's Test of Equality of Covariance Matrices is not computed because there are fewer than two nonsingular cell covariance matrices" uyarısı, MANCOVA analizinde karşılaşılan bir durumu işaret ediyor: kovaryans matrislerinin eşit olup olmadığını kontrol eden Box Testi yapılamıyor, çünkü en az iki tekil olmayan hücre kovaryans matrisi bulunmuyor gibi durmakta. Bu sorunu aşmak için şu adımları düşünebilirsiniz: Grup Büyüklüklerini Kontrol Edin: Grup büyüklüklerini gözden geçirin. Eğer gruplardan en az birinde yeterince veri yoksa, bu durum MANCOVA analizi için yetersiz olabilir. Grup büyüklüklerini dengeli bir şekilde artırmak, bu sorunu çözebilir. Eksik Veri ve Aykırı Değerleri Kontrol Edin: Eksik veri veya aykırı değerler olup olmadığını kontrol edin. Bu tür durumlar, kovaryans matrislerinin hesaplanmasını etkileyebilir. Eksik verileri doldurmak veya aykırı değerleri ele almak, analizinizi geliştirebilir. Alternatif Analiz Yöntemleri: Sorunu çözemezseniz, MANCOVA yerine alternatif analiz yöntemlerini düşünmek daha doğru olur. Örneğin, MANOVA veya başka bir uygun analiz yöntemi kullanmayı değerlendirebilirsiniz. Kovaryans Matrislerini Gözden Geçirin: Gruplar arasındaki kovaryans matrislerini dikkatlice inceleyin. Belirli bir grup veya gruplar arasında belirgin farklılıklar varsa, bu durumu ele alacak istatistiksel yöntemleri düşünebilirsiniz.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhaba! SPSS'te syntax kodu yazmak veya grafik arayüzü kullanmak, kullanıcının tercihine bağlıdır. Her iki yöntem de veri analizi yapmanın farklı yollarını sunar. Bazı kullanıcılar arayüzü tercih eder çünkü daha görsel ve etkileşimli bir deneyim sunar, diğerleri ise syntax kodunu tercih eder çünkü daha fazla kontrol ve tekrar kullanılabilirlik sağlar. Merhabalar, Eğer tüm işlemleri arayüz üzerinden tamamlamışsanız ve işlemleriniz istediğiniz sonuçları veriyorsa, "Run" (Çalıştır) düğmesini kullanmakta bir sakınca yoktur. Ancak syntax kodu yazmak daha fazla kontrol sağlar ve analizinizi belgeler. Ayrıca, kodlarınızı kaydedip daha sonra tekrar kullanabilir veya başkalarıyla paylaşabilirsiniz. Unutmayın ki her iki yöntemi de kullanabilir ve birbirleriyle uyumlu bir şekilde geçiş yapabilirsiniz. Arayüzü kullanarak başladıktan sonra yaptığınız işlemlerin syntax kodlarını görebilir ve bunları daha sonra düzenleyerek kullanabilirsiniz. Sonuç olarak, SPSS'te syntax kodu yazmak veya arayüzü kullanmak tamamen tercih meselesidir. İkisi de size uygun olanı seçebilir ve veri analizi sürecinizde size en iyi hizmeti verecek olanı kullanabilirsiniz.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, mail adresinize gönderdim.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Öncelikle, paylaştığınız süreç genel olarak doğru bir yaklaşım içeriyor, ancak analiz yönteminizi daha etkin hale getirebilmek için bazı noktaları gözden geçirmek faydalı olacaktır. Şu anda ön test ve son test için deney ve kontrol gruplarının ortalamalarını ayrı sütunlar olarak tanımlıyorsunuz. Bu yöntem, küçük ölçekli analizlerde yeterli olabilir. Ancak, SPSS'te tekrarlanan ölçümler analizi için genellikle alternatif bir veri düzeni tercih edilir. Alternatif yöntem, tüm ölçümleri tek bir sütunda "ölçüm" adı altında toplarken, "zaman" (ön test/son test) ve "grup" (deney/kontrol) bilgilerini ayrı kategorik değişkenler olarak tanımlamaktır. Bu düzenleme SPSS’in tekrarlanan ölçümler analizine daha uygun bir format sunar ve özellikle zaman x grup etkileşimlerini analiz etmeyi kolaylaştırır. Şu an kullandığınız yöntemde, SPSS’te “Repeated Measures Define Factor(s)” ekranında zaman faktörünü "ön test" ve "son test" olarak iki düzeyli şekilde tanımlamanız ve karşılık gelen sütunları eşleştirmeniz gerekmektedir. Bu, gruplar arası farklılıkları temel düzeyde analiz etmek için uygun olsa da, zaman x grup etkileşimlerini analiz etmek alternatif düzenleme kadar pratik olmayabilir. Alternatif yöntemi kullanırsanız, verinizi şu şekilde düzenleyebilirsiniz: Her birey için ölçümler tek bir sütunda yer alır; grup bilgisi (deney veya kontrol) ve zaman bilgisi (ön test veya son test) ise ayrı sütunlarda kategorik değişkenler olarak tanımlanır. Bu format, SPSS'te zaman faktörünü ve grup etkisini daha net bir şekilde modellemenizi sağlar. Mevcut yönteminiz doğru olmakla birlikte, analizinizi daha detaylı ve esnek hale getirmek istiyorsanız, veriyi yeniden yapılandırarak alternatif yöntemi denemenizi öneririm. Bu şekilde, hem zaman faktörünün (ön test/son test) hem de grup faktörünün (deney/kontrol) ana etkilerini ve etkileşimlerini daha etkin bir şekilde analiz edebilirsiniz.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Merhabalar, Çalışmanızda tek bir grup üzerinden dokuz ölçüm yapılmış, her ölçümde dört farklı oyun düzeyine ilişkin sıklık verileri kaydedilmiş. Bu durumda teorik olarak zaman faktörünü dokuz düzey, oyun faktörünü de dört düzey olarak within-subject faktör şeklinde tanımlamak doğru bir kurgudur ve klasik repeated measures analizine uyumlu görünür. Ancak bağımlı değişkeninizin niteliği dikkate alındığında, yani ölçümlerin sıklık (count) verisi olması ve bu sıklıkların basamak şeklinde ilerleyen ordinal bir yapıyı yansıtması nedeniyle, klasik GLM repeated measures yaklaşımının varsayımları büyük ihtimalle ihlal olacaktır. Bu tür analizler normal dağılıma yakın sürekli ölçümler için tasarlanmıştır ve hem katılımcı sayınızın az olması hem de veri tipinizin dağılım özellikleri nedeniyle sonuçların güvenilirliği zayıflayabilir. Dolayısıyla yöntemsel açıdan en doğru yol genelleştirilmiş lineer karışık modeller (GLMM) ya da GEE kullanmaktır. GLMM’de bağımlı değişken Poisson ya da aşırı saçılım varsa negatif binom dağılımıyla modellenebilir, link fonksiyonu olarak log fonksiyonu seçilir ve sabit etkilerde zaman ile oyun düzeyi ile bunların etkileşimi tanımlanırken katılımcı rastgele etki olarak modele eklenir. Böylece hem tekrarlı ölçümlerdeki bağımlılık hem de küçük örneklem yapısı daha doğru şekilde ele alınabilir. Kısacası, faktör kurgunuz mantıklı olmakla birlikte klasik repeated measures yerine GLMM veya GEE tercih etmeniz bilimsel ve yayınlanabilirlik açısından çok daha uygun bir seçim olacaktır.

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Evet, videolarda genellikle klasik tekrarlı ölçümler ANOVA ya da faktöriyel MANOVA üzerinden gidiliyor, ama Lineer Karma Modeller (Linear Mixed Models – LMM) biraz daha modern ve esnek bir yaklaşım. Benim kastettiğim şuydu: Sabit etkiler (fixed effects): Grup (Deney/Kontrol), Zaman (Ön/Son), ve bunların etkileşimi (Grup×Zaman). Bunlar klasik ANOVA’daki gibi asıl ilgilendiğimiz etkilerdir. Rastgele etkiler (random effects): Katılımcılar arasında başlangıç seviyesindeki farklılıkları (rastgele kesişim) ya da zamana karşı bireysel farklı eğilimleri (rastgele eğim) modellememizi sağlar. Bu sayede her katılımcıyı ayrı bir “çizgi” gibi düşünürüz; bazıları yüksek başlar, bazıları düşük, bazıları daha hızlı gelişir. Eksik veri durumunda (örneğin bazı öğrencilerin son test puanı yoksa) ANOVA/ MANOVA bu veriyi dışlarken, LMM “tüm mevcut veriyi” kullanarak daha güçlü sonuç verir. Tekrarlı ölçüm ANOVA’da varsayılan sphericity (eş küresellik) varsayımı vardır. İhlal edilirse düzeltme gerekir (Greenhouse-Geisser vs.). LMM’de bu varsayım yoktur, daha esnektir. Farklı varyans yapıları veya korelasyon yapıları (ör. AR(1)) tanımlanabilir. Örneğin her beceri için (okuma, yazma, konuşma, dinleme) ayrı ayrı model kurabilirsiniz: Skor ij=ß0+ß1(Grupi)+ß2(Zamanj)+ß3(Grup×Zaman)+ui+eij ß’ler sabit etkiler (tüm sınıfa ortak etki).?? ß’ler sabit etkiler (tüm sınıfa ortak etki). ?? ?? u i ? katılımcıya ait rastgele etki (ör. başlangıç seviyesi farkı). ?? ?? ?? ? ij ? hata terimi. Her beceri için 2×2 mixed LMM kurulur. Grup, Zaman ve Grup×Zaman etkileşimi test edilir. Eğer dört beceriyi aynı anda test etmek isterseniz › ayrı ayrı yaptığınız testlerin p-değerlerini çoklu test düzeltmesi (örn. Bonferroni, FDR) ile raporlarsınız. APA’da şu şekilde ifade edebilirsiniz: “Lineer karma modellerde Grup × Zaman etkileşimi anlamlı bulundu, F(1,42) = 6.23, p = .016. Katılımcılar arası rastgele kesişim modele dahil edilmiştir. Eksik veriler için maksimum olasılık tahmini (REML) kullanılmıştır. Çoklu testler Benjamini-Hochberg yöntemi ile düzeltilmiştir.”

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Jamovi üzerinden Lineer Karma Modeller (LMM) kurmak oldukça pratik. Size adım adım, kendi araştırmanızdaki 2 Grup (Deney/Kontrol) × 2 Zaman (Ön/Son) desenini kurmayı anlatayım: Jamovi’nin ana kurulumunda LMM yoktur. Modules › jamovi library bölümünden GAMLj (General Analyses for Linear Models) modülünü yüklemeniz gerekiyor. (Bu modül LMM, GLMM, GEE gibi gelişmiş modelleri içeriyor.) Katılımcı ID › Her öğrenciye bir ID (1,2,3,…). Bu rastgele etkiyi tanımlamak için gerekli. Grup › Deney / Kontrol (sabit etki). Zaman › Ön test / Son test (sabit etki). Beceri Skoru › Örneğin okuma puanı. Veri uzun formda olmalı: Her satır bir gözlem (ör. 1 numaralı öğrenci – Deney – Ön test – 65 puan). Menüden Analyses › GAMLj › Linear Mixed Models seçin. Dependent Variable (Bağımlı Değişken): Beceri skorunuzu (ör. Okuma). Fixed Effects (Sabit Etkiler): Grup Zaman Grup × Zaman etkileşimi (Buraya her ikisini ve çarpımını eklerseniz 2×2 tasarımınız test edilmiş olur.) Random Effects (Rastgele Etkiler): Cluster Variable: Katılımcı ID Random terms kısmında önce sadece Random Intercept (rastgele kesişim) ile başlayın. Gerekirse Random Slope (Zaman için) eklenebilir (her öğrencinin zaman değişim eğimi farklı olabilir). Estimation Method: “REML” seçin (varsayılan). Post-hoc / Marginal Means: Estimated Marginal Means (EMMeans) bölümünden Grup × Zaman işaretleyin. Pairwise comparisons seçeneğiyle grup-içi ve gruplar-arası farkları görebilirsiniz. Jamovi çıktısı size şunları verecek: Sabit Etkiler Tablosu: Grup, Zaman ve Grup×Zaman için F veya ?² değerleri, p-değerleri. Rastgele Etkiler: Varyans bileşenleri (katılımcı farklılıkları). EMMeans Tablosu: Hangi grupta, hangi zamanda ortalama ne kadar ve farklar nerede. APA örneği: “Lineer karma modelde Grup × Zaman etkileşimi anlamlı bulundu (F(1,58) = 5.21, p = .025). Katılımcılar arası rastgele kesişim modele dahil edilmiştir. Eksik veriler REML yöntemiyle ele alınmıştır. Çoklu karşılaştırmalarda Benjamini-Hochberg düzeltmesi uygulanmıştır.” Okuma, Yazma, Konuşma, Dinleme için aynı modeli ayrı ayrı kurabilirsiniz. Dört test yaptığınız için › p-değerlerini çoklu test düzeltmesiyle raporlayın (Bonferroni ya da FDR).

Eğitmenin Cevabı (MUSTAFA AGAH TEKİNDAL)

Bir araştırmada deney ve kontrol grubu olup her gruptan ön test ve son test ölçümü alındığında, SPSS’te bunu GLM Repeated Measures menüsünden yapmak mümkündür ve grup, ölçüm (zaman) ve grup*ölçüm etkileşimini birlikte test eder. Bununla klasik anlamda bir 2×2 faktöriyel tekrarlı ölçümler ANOVA yürütülmüş olur. Bu yaklaşım, veri tam ise ve tüm katılımcıların iki ölçümü de mevcutsa gayet uygundur. Fakat bu analiz varsayımsal olarak daha katıdır: tüm bireylerin her ölçümde yer alması gerekir, varyans-kovaryans yapısı homojen varsayılır ve sphericity (eşküresellik) varsayımı sağlanmalıdır. Zaman değişkeni iki düzeyli olduğu için bu son varsayım teknik olarak otomatik sağlanır, yani bu durumda sorun olmaz. Ancak eğer eksik gözlemler varsa veya bireyler arasında başlangıç farkları ile zaman içindeki değişim eğimleri arasında heterojenlik bekleniyorsa, Lineer Karma Model (LMM) çok daha sağlam bir alternatiftir. SPSS’te bu model Analyze › Mixed Models › Linear menüsünden kurulabilir; Subject alanına katılımcı ID’si, Repeated alanına Zaman değişkeni yazılır, Fixed Effects kısmına Grup, Zaman ve Grup×Zaman etkileşimi girilir, Random Effects kısmına ise rastgele kesişim (ve gerekirse rastgele eğim) eklenir. Böylece her katılımcının başlangıç seviyesi ve değişim hızı ayrı ayrı modellenir. Bu yönüyle LMM, klasik tekrarlı ölçümler ANOVA’nın genelleştirilmiş biçimidir ve eksik veriyle baş edebilme, karmaşık korelasyon yapıları tanımlayabilme avantajlarına sahiptir. Eğer araştırmacı sadece son test puanları üzerinden gruplar arası farkı görmek ama ön testteki başlangıç düzey farklarını istatistiksel olarak dengelemek istiyorsa, bu durumda ANCOVA (Analysis of Covariance) tercih edilir. Burada bağımlı değişken son test puanı, sabit faktör grup, kovaryat ise ön test puanıdır. Amaç, grup etkisini ön test düzeyleri eşitlenmiş durumda sınamaktır. Bu durumda ön test bir bağımlı değişken değil, kovaryattır. SPSS’te Analyze › General Linear Model › Univariate menüsünde DV olarak son test, Fixed Factor olarak grup, Covariate olarak ön test seçilir. ANCOVA’nın temel varsayımı, kovaryat ile bağımlı değişken arasındaki ilişkinin her grup için paralel olmasıdır (yani grup×ön test etkileşimi anlamsız olmalıdır). Eğer bu koşul sağlanıyorsa, ANCOVA sonuçları gruplar arası gerçek etkiyi daha doğru verir. Birden fazla becerinin (örneğin okuma, yazma, konuşma, dinleme) birlikte analiz edilmesi isteniyorsa, aynı mantık MANCOVA’ya (Multivariate ANCOVA) genişletilebilir. Burada birden çok son test puanı bağımlı değişken olarak girilir, her birine karşılık gelen ön test puanları kovaryat olarak eklenir. Bu analiz, gruplar arasındaki çok değişkenli farkları ön test düzeyleri kontrol edilerek değerlendirir. SPSS’te Analyze › General Linear Model › Multivariate seçilerek yapılır; bağımlı değişkenlere son test değişkenleri, kovaryatlara ön test değişkenleri, faktör olarak grup girilir. Bu modelde ön testler yine bağımlı değişken değildir, sadece kovaryat olarak girilir. Ancak bazı araştırmacılar ön test ve son testi birlikte bağımlı değişken olarak gösterip “zaman etkisi”ni görmek ister. Bu durumda artık model bir MANCOVA değil, Repeated Measures MANOVA (GLM-RM) olur. Çünkü zaman, within-subject (birey içi) faktör haline gelir. Ön test ve son test bu faktörün iki düzeyidir. Dolayısıyla ön test kovaryat olamaz; çünkü artık zaten analiz edilen bağımlı değişkenin bir parçasıdır. Kovaryat olarak yalnızca birey dışı değişkenler (ör. yaş, cinsiyet) eklenebilir. SPSS’te Repeated Measures komutuyla Grup, Zaman ve Grup×Zaman etkileşimi test edilir; çıktıdan her bir ana ve etkileşim etkisi için F, p ve eta² değerleri alınır. Özetle yöntem seçimi şu şekilde yapılmalıdır: Eğer veri tam ve yapı basitse, GLM Repeated Measures yeterlidir; eksik veri veya bireyler arası farklılıklar varsa Mixed Model daha uygundur. Sadece son test farkını başlangıç düzeyine göre ayarlamak istiyorsanız ANCOVA, birden çok beceriyi aynı anda analiz edecekseniz MANCOVA tercih edilir. Zaman faktörünü açıkça modellemek ve grup×zaman etkileşimini görmek istiyorsanız, ön ve son testleri bağımlı değişken olarak girip GLM Repeated Measures kullanılır; ön test burada kovaryat değildir. Tüm bu yöntemler SPSS’in farklı menülerinde ama aynı “General Linear Model” mantığı altında çalışır; farkları, verinin yapısını ve varsayımları nasıl ele aldıklarında yatar.